软阈值matlab代码用于语音分离的深度递归非负矩阵分解（DR-NMF）的实现 DR-NMF是一个递归神经网络，它是由应用于稀疏NMF推理的迭代软阈值算法（ISTA）的展开迭代构建而成的。 稀疏NMF推论是在给定非负字典W的情况下推论非负稀疏系数H的任务，使得WH逼近非负观察矩阵X。对于语音分离，观察矩阵X是有声音频的原始频谱图，并且对字典W进行分区变成语音和噪声成分。 字典W的这种划分允许在STFT域中计算增强掩码。 在这里阅读论文： 指示： 使用，可以从中获得。 设置环境（更新05-03-19）。 此代码取决于某些较旧版本的软件包（请参阅。要设置conda环境，请运行以下命令： conda create --name drnmf_orig3 cudnn=5.1 gxx_linux-64=5.4.0 python=2.7 theano=0.9.0 numpy=1.11 pygpu=0.6.9 pip install keras==2.0.4 librosa==0.5.1 joblib==0.11.0 hickle jupyter 通过运行下载所需的工具箱。 通过用本地CHiME2路径

完整代码，可直接运行

稀疏编码中涉及到的： LASSO，近端梯度优化（PGD），迭代软阈值算法（ISTA），L-Lipschitz条件，软阈值的公式推导

【图像去噪】基于小波变换（软阈值、硬阈值、半软阈值、改进阈值）的图像去噪matlab源码.md

要研究一个新的重建算法-迭代软阈值算法，该算法根据所要解决的问题而确定一个阈值函数，并且可以将阈值算法和迭代算法有效的结合使用，明显的提高了重建信号的精度。本文主要对语音信号和带噪语音信号分别进行信号重建性能分析和研究。包括信号的稀疏性表示、观测矩阵的设计和选择、信号的重建过程及效果，通过实验仿真的波形图，进而对其和原语音信号不同之处进行了分析与对比。

软阈值matlab代码快速原子规范软阈值（FASTAST） 通过原子范数软阈值估计谱线的快速原对偶内点法。 通过原子范数最小化实现[1]的线谱估计方法。 如果您使用此代码，请引用此工作。 [1] TL Hansen和TL Jensen，“一种用于原子范数软阈值的快速内点方法”，已提交给IEEE Transactions on Signal Processing ，2018年。 抽象的： 原子范数将l_1范数概括为连续的参数空间。 当用作线谱估计的稀疏正则化器时，可以通过解决凸优化问题来获得解决方案。 此问题称为原子范数软阈值（AST）。 可以将其转换为半定程序，并通过标准方法进行求解。 在半定式中，存在O（N ^ 2）个对偶变量，并且标准的原始对偶内点法每次迭代至少需要O（N ^ 6）个触发器。 这已经导致研究人员考虑将乘法器的交替方向法（ADMM）用于AST的解决方案，但是这种方法对于较大的问题规模仍然有些慢。 为了获得更快的算法，我们将AST重新构造为非对称圆锥程序。 这具有对其数值解至关重要的两个特性：圆锥公式仅具有O（N）对偶变量，并且AST固有的Toeplitz结构得以保留。

软阈值matlab代码非凸优化工具箱 这个matlab工具箱提出了一种通用的求解器，用于在凸或非凸情况下进行近端梯度下降。 它是对[1]中提出的GIST算法的完全重新实现，其中包含新的正则化项，例如p = 1/2的lp伪范数。 在您的研究工作中使用此工具箱时，请引用以下文章： D. Tuia, R. Flamary and M. Barlaud, "Non-convex regularization in remote sensing", IEEE transactions Transactions on Geoscience and Remote Sensing, (to appear) 2016. 该代码解决了以下形式的优化问题： min_x f（x）+ lambda g（x） 我们提供用于解决以下数据拟合项f（x）问题的求解器： 最小二乘（线性回归） 具有二次铰链损耗的线性SVM 线性逻辑回归 校准的铰链损耗 已实施的正则化项g（x）包括： 套索（l1） 里奇（平方L2） 对数和罚分（LSP）（[2]，[1]中的代理） p = 1/2的lp正则化（[3]中的prox） 组套索（l

软阈值matlab代码格莱姆 该工具箱包含用于MATLAB的多个脚本和函数，以使用广义线性混合模型（GLMM）取消混合高光谱数据。 该代码是在Lucas Drumetz及其同事提供的ELMM代码的基础上构建的。 只要复制此处提供的版权，就可以出于非商业目的使用和重新分发此代码。 作者：Tales Imbiriba。 日期：2018年4月。 参考号： [1] Imbiriba，T.，Borsoi，RA，Bermudez，JCM（2018）。 考虑端成员变异性的广义线性混合模型。 2018年IEEE声学，语音和信号处理国际会议（ICASSP）。 内容包括： GLMM_ADMM.m：执行与GLMM的混合的功能 GLMM_RealData.m：在实际的高光谱数据集上使用该函数的示例 real_data_1.mat：使用的实际数据集（DFC 2013数据的裁剪） endmembers_houston.mat：演示中使用的参考端成员矩阵 FCLSU.m：执行标准完全约束的最小二乘分解的函数。 CLSU.m：执行标准部分约束的最小二乘分解的函数。 SCLSU.m：执行CLSU缩放版本的函数，该版本遵

软阈值matlab代码图像去噪基准 这是用于图像降噪基准测试的matlab工具的集合。 当前支持的工具是 ACPT，“通过自适应聚类和渐进式PCA阈值保持细节的图像降噪”，IEEE Access，2018年 ACVA“使用非本地PCA进行纹理变化自适应图像降噪”，TIP 2018。 基于非本地样本的基于自适应软阈值的AST-NLS图像降噪，CVPR 2015 通过稀疏3D变换域协作过滤（SPIE Electronic Imaging 2008）进行BM3D图像恢复，Dabov等。 超越高斯降噪器的DnCNN：用于图像降噪的深度CNN的残差学习，TIP 2018。 GGMM-EPLL具有先验广义高斯混合模型补丁的图像去噪，SIAM JIS 2018。 GSRC ICIP 2016。 KSVD提示2016。 MultiScaleEPLL基于多尺度补丁的图像恢复，TIP 2016。 NCSR提示2012。 基于PGDP补丁组的非本地自相似性事前学习进行图像去噪，ICCV 2015 通过同时稀疏编码恢复SSC_GSRM图像：结构稀疏遇到高斯尺度混合的情况，IJVC 2015 TWSC用于实际图

以MATLAB为仿真实验平台,先通过所设计的模拟信号验证方法的可行性,再进一步进行实际语音信号的仿真实验;通过仿真实验,结果表明了EEMD结合小波硬软阈值折衷的方法能够减小均方误差提高信噪比,有效解决了小波分解中需要预先设定小波基和分解层数的问题,取得了良好的降噪效果。